---
title: "裝置漂移（Device Drift）"
slug: device-drift
language: zh-TW
source: https://aiterms.tw/terms/device-drift
updated_at: 2026-07-04
tags: [機器學習, 模型部署, 資料處理, 異常偵測, source:ipas]
ipas_term: true
---

# 裝置漂移（Device Drift）

指感測器或裝置隨時間產生資料分佈變化的現象，影響模型效能。

## 完整說明

裝置漂移是指感測器、物聯網設備或其他資料採集裝置，其所產生的資料分佈隨時間推移而逐漸或突然改變的現象。這種漂移會導致原先訓練好的機器學習模型效能下降，需要持續監測與模型更新。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 裝置漂移與概念漂移有何區別？

裝置漂移是導致資料分佈變化的具體原因之一，它特指由資料採集裝置（如感測器）本身的物理或環境變化所引起的資料統計特性改變。這通常表現為輸入資料 $P(X)$ 的邊際分佈發生變化。而概念漂移是一個更廣泛的術語，它指的是輸入與輸出之間關係 $P(Y|X)$ 隨時間變化的現象。雖然裝置漂移常常會導致概念漂移（因為 $P(X)$ 的變化會影響 $P(Y|X)$），但概念漂移也可以由其他因素引起，例如用戶行為模式的改變、市場趨勢的變化等，這些與裝置本身無關。理解兩者的區別有助於選擇更精確的偵測和應對策略。

### 如何有效監測裝置漂移？

有效監測裝置漂移需要結合多種技術。首先，可以持續監測裝置輸出資料的統計特性，例如均值、方差、偏度、峰度等，並設定閾值或使用統計控制圖（如EWMA圖）來偵測這些指標的顯著變化。其次，可以利用概念漂移偵測演算法，如ADWIN或DDM，直接監測模型在驗證集上的錯誤率或預測不確定性。當這些指標超出預期範圍時，可能表明裝置已發生漂移。此外，定期對裝置進行校準檢查，或利用參考感測器進行交叉驗證，也是監測裝置狀態的重要手段。對於高維資料，可以監測特徵分佈的變化，例如使用MMD或PCA等降維技術來觀察分佈的偏移。

### 有哪些策略可以應對裝置漂移？

應對裝置漂移的策略主要包括以下幾種。最直接的方法是定期重新校準或更換裝置，以恢復其準確性。在模型層面，可以採用在線學習或增量學習，讓模型能夠持續從新資料中學習並更新，逐步適應漂移。對於較大的漂移，模型重新訓練是必要的，但這通常需要新的標註資料。遷移學習和領域適應技術可以在新資料量不足時，幫助模型將舊知識遷移到新分佈上。此外，特徵工程也可以發揮作用，例如設計對裝置漂移更具魯棒性的特徵。在系統設計層面，可以部署多個冗餘裝置，並透過融合多個裝置的數據來提高魯棒性。最後，建立漂移預警系統，在漂移發生初期就發出警報，以便及時採取措施。

---

來源：https://aiterms.tw/terms/device-drift
快查頁：https://aiterms.tw/terms/device-drift
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-device-drift